我想xgboost用于分类问题，两个预测变量（几个）是二进制列，也恰好有一些缺失值。在用 拟合模型之前xgboost，我想通过在每个二进制列中输入模式来替换那些缺失值。
我的问题是我想将这种估算作为tidymodels“配方”的一部分。也就是说，不使用典型的数据整理程序，例如dplyr//等tidyr。data.table在配方中进行插补应防止“信息泄漏”。
尽管该recipes包提供了许多step_*()专为数据预处理而设计的功能，但我无法找到一种方法来按模式对数字二进制列进行所需的插补。虽然有一个名为 的函数step_impute_mode()，但它只接受名义变量（即类factor或character）。但我需要我的二进制列保持数字，以便它们可以传递给xgboost引擎。
考虑以下玩具示例。我从这个参考页面中获取它并稍微更改了数据以反映问题。
创建玩具数据
# install.packages("xgboost")
library(tidymodels)
tidymodels_prefer()
# original data shipped with package
data(two_class_dat)
# simulating 2-column binary data + NAs
n_rows <- nrow(two_class_dat)
df_x1_x2 <-
data.frame(x1 = rbinom(n_rows, 1, runif(1)),
x2 = rbinom(n_rows, 1, runif(1)))
## randomly replace 25% of each column with NAs
df_x1_x2[c("x1", "x2")] <-
lapply(df_x1_x2[c("x1", "x2")], function(x) {
x[sample(seq_along(x), 0.25 * length(x))] <- NA
x
})
# bind original data & simulated data
df_to_xgboost <- cbind(two_class_dat, df_x1_x2)
# split data to training and testing
data_train <- df_to_xgboost[-(1:10), ]
data_test <- df_to_xgboost[ 1:10 , ]
使用 tidymodels 工具设置模型规范和预处理配方
# model specification
xgb_spec <-
boost_tree(trees = 15) %>%
# This model can be used for classification or regression, so set mode
set_mode("classification") %>%
set_engine("xgboost")
# preprocessing recipe
xgb_recipe <-
recipe(formula = Class ~ ., data = data_train) %>%
step_bin2factor(x1, x2) %>% # <-~-~-~-~-~-~-~-~-~-~-~-~-~| these 2 lines are the heart of the problem
step_impute_mode(x1, x2) # <-~-~-~-~-~-~-~-~-~-~-~-~-~| I can't impute unless I first convert columns from numeric to factor/chr.
# | But once I do, xgboost fails with non-numeric data.
# | There isn't `step_*()` for converting back to numeric (like as.numeric())
# bind `xgb_spec` and `xgb_recipe` into a workflow object
xgb_wflow <-
workflow() %>%
add_recipe(xgb_recipe) %>%
add_model(xgb_spec)
拟合模型
fit(xgb_wflow, data_train)
#> Error in xgboost::xgb.DMatrix(x, label = y, missing = NA): 'data' has class 'character' and length 3124.
#> 'data' accepts either a numeric matrix or a single filename.
#> Timing stopped at: 0 0 0
拟合失败是因为data_train$x1和data_train$x2成为每个因素step_bin2factor(x1, x2)。这就是我目前的收获：一方面，xgboost除非所有数据都是数字，否则我无法拟合模型；另一方面，除非数据是因子/字符，否则我不能按模式进行估算。
虽然有一种构建自定义step_*()函数的方法，但它有点复杂。所以我首先想联系一下，看看是否有我可能遗漏的微不足道的解决方案。我认为我目前使用xgboost二进制预测器的情况似乎很主流，我不想重新发明轮子。